一种店铺分类方法、装置和计算机存储介质制造方法及图纸

本申请涉及计算机技术领域，特别涉及一种店铺分类方法、装置和计算机存储介质；分类方法包括：获取目标矩阵；目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系；对目标矩阵进行矩阵分解，得到店铺特征矩阵；店铺特征矩阵表征多个待分类店铺与多个商品潜在特征之间的关系，多个商品潜在特征的数量小于多种商品的数量；基于店铺特征矩阵，确定与多个待分类店铺各自对应的店铺特征；基于多个待分类店铺各自对应的店铺特征进行店铺分类，得到与多个待分类店铺各自对应的店铺分类标签；本申请通过提取商品销售信息的潜在特征，以同时对大量店铺进行自动分类，提高店铺分类效率，以及提高分类精确性。以及提高分类精确性。以及提高分类精确性。

【技术实现步骤摘要】
一种店铺分类方法、装置和计算机存储介质


[0001]本申请涉及计算机
，特别涉及一种店铺分类方法、装置和计算机存储介质。

技术介绍

[0002]店铺所经营的类目是支撑店铺风险等级管理的核心信息，精确的销售类别能够帮助店铺进行个性化的风险管控；现有技术中，多为人工浏览商品销售信息后，对店铺类别进行标注；在店铺数量较多以及销售信息较多的情况下，人工分类标注方法的效率低下，且容易造成分类错误，从而不利于店铺风险管控；此外，不同店铺销售的商品销售信息不同，以致于难以同时对大量店铺进行分类。

技术实现思路

[0003]针对现有技术的上述问题，本申请的目的在于提取商品销售信息的潜在特征，以同时对大量店铺进行自动分类，提高店铺分类效率，以及提高分类精确性。
[0004]为了解决上述问题，本申请提供了一种店铺分类方法，所述方法包括：
[0005]获取目标矩阵；所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系；
[0006]对所述目标矩阵进行矩阵分解，得到店铺特征矩阵；所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系，所述多个商品潜在特征的数量小于所述多种商品的数量；
[0007]基于所述店铺特征矩阵，确定与所述多个待分类店铺各自对应的店铺特征；
[0008]基于所述多个待分类店铺各自对应的店铺特征进行店铺分类，得到与所述多个待分类店铺各自对应的店铺分类标签。
[0009]在本申请实施例中，所述对所述目标矩阵进行矩阵分解，得到店铺特征矩阵，包括：
[0010]基于矩阵分解模型对所述目标矩阵进行分解，得到所述店铺特征矩阵；
[0011]所述方法还包括所述矩阵分解模型的训练方法，所述训练方法包括：
[0012]获取样本矩阵；所述样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系；
[0013]基于预设机器学习模型对所述样本矩阵进行矩阵分解，得到第一分解矩阵、以及第二分解矩阵；所述第一分解矩阵表征所述多个样本店铺与多个样本潜在特征之间的关系，所述多个样本潜在特征的数量小于所述多种样本商品的数量；
[0014]基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵，确定分解损失信息；
[0015]基于所述分解损失信息对所述预设机器学习模型进行参数更新，得到所述矩阵分解模型。
[0016]在本申请实施例中，所述基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵，确定分解损失信息，包括：
[0017]从所述第一分解矩阵中确定出多个行向量；所述多个行向量的数量与所述样本店铺的数量一致；
[0018]从所述第二分解矩阵中确定出多个列向量；所述多个列向量的数量与所述样本商品的数量一致；
[0019]分别计算每个行向量和每个列向量之间的相似度；
[0020]基于所述每个行向量和所述每个列向量之间的相似度，确定相似度矩阵；所述相似度矩阵的维度与所述样本矩阵的维度一致；
[0021]基于元素对确定所述分解损失信息；每个元素对包括所述样本矩阵中的第一元素，以及所述相似度矩阵中的第二元素，所述第一元素在所述样本矩阵中的元素位置，与所述第二元素在所述相似度矩阵中的元素位置相同。
[0022]在本申请实施例中，所述基于元素对确定所述分解损失信息，包括：
[0023]对每个元素对中的第一元素进行归一化处理，得到归一化后的第一元素；
[0024]基于所述归一化后的第一元素，以及所述每个元素对中的第二元素，计算与所述每个元素对对应的损失信息；
[0025]基于与所述每个元素对对应的损失信息，计算所述分解损失信息。
[0026]在本申请实施例中，所述基于所述每个行向量与所述每个列向量之间的相似度，确定相似度矩阵，包括：
[0027]在所述相似度矩阵中存在待替换元素的情况下，用参考值替换对应的所述待替换元素；所述待替换元素小于或等于零，所述参考值大于零，且所述参考值与零的差值小于等于预设值。
[0028]在本申请实施例中，所述基于所述多个待分类店铺各自对应的店铺特征进行店铺分类，得到与所述多个待分类店铺各自对应的店铺分类标签，包括：
[0029]将每个待分类店铺对应的店铺特征输入到分类模型中，得到与所述每个分类店铺对应的分类结果；所述分类结果包括与多个预设店铺分类标签对应的概率；
[0030]从所述预设店铺分类标签中确定出所述每个待分类店铺对应的目标店铺分类标签；所述目标店铺分类标签对应的概率大于或等于预设概率。
[0031]在本申请实施例中，所述获取目标矩阵，包括：
[0032]获取所述多个待分类店铺的商品销售信息；所述商品销售信息包括已销售商品的商品类目信息、以及所述已销售商品的销售数量；
[0033]基于所述多个待分类店铺的所述已销售商品的商品类目信息、以及所述已销售商品的销售数量，构建所述目标矩阵。
[0034]另一方面，本申请还提供一种店铺分类装置，所述装置包括：
[0035]矩阵获取模块，用于获取目标矩阵；所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系；
[0036]矩阵分解模块，用于对所述目标矩阵进行矩阵分解，得到店铺特征矩阵；所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系，所述多个商品潜在特征的数量小于所述多种商品的数量；
[0037]特征确定模块，用于基于所述店铺特征矩阵，确定与所述多个待分类店铺各自对应的店铺特征；
[0038]分类确定模块，用于基于所述多个待分类店铺各自对应的店铺特征进行店铺分类，得到与所述多个待分类店铺各自对应的店铺分类标签。
[0039]另一方面，本申请还提供一种电子设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述店铺分类方法。
[0040]另一方面，本申请还提供一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述店铺分类方法。
[0041]由于上述技术方案，本申请所述的一种店铺分类方法具有以下有益效果：
[0042]通过将表征多个待分类店铺与多种商品的销售信息对应关系的目标矩阵进行矩阵分解，提取商品的销售信息中的商品潜在特征，且商品潜在特征数量小于商品数量，降低了矩阵的稀疏性，进而能够基于店铺各自对应的店铺特征进行分类，实现同时对多个待分类店铺的分类，提高了店铺分类效率；此外，通过提取商品潜在特征进行分类，进而提高了分类精确性。
附图说明
[0043]为了更清楚地说明本申请的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种店铺分类方法，其特征在于，包括：获取目标矩阵；所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系；对所述目标矩阵进行矩阵分解，得到店铺特征矩阵；所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系，所述多个商品潜在特征的数量小于所述多种商品的数量；基于所述店铺特征矩阵，确定与所述多个待分类店铺各自对应的店铺特征；基于所述多个待分类店铺各自对应的店铺特征进行店铺分类，得到与所述多个待分类店铺各自对应的店铺分类标签。2.根据权利要求1所述的一种店铺分类方法，其特征在于，所述对所述目标矩阵进行矩阵分解，得到店铺特征矩阵，包括：基于矩阵分解模型对所述目标矩阵进行分解，得到所述店铺特征矩阵；所述方法还包括所述矩阵分解模型的训练方法，所述训练方法包括：获取样本矩阵；所述样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系；基于预设机器学习模型对所述样本矩阵进行矩阵分解，得到第一分解矩阵、以及第二分解矩阵；所述第一分解矩阵表征所述多个样本店铺与多个样本潜在特征之间的关系，所述多个样本潜在特征的数量小于所述多种样本商品的数量；基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵，确定分解损失信息；基于所述分解损失信息对所述预设机器学习模型进行参数更新，得到所述矩阵分解模型。3.根据权利要求2所述的一种店铺分类方法，其特征在于，所述基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵，确定分解损失信息，包括：从所述第一分解矩阵中确定出多个行向量；所述多个行向量的数量与所述样本店铺的数量一致；从所述第二分解矩阵中确定出多个列向量；所述多个列向量的数量与所述样本商品的数量一致；分别计算每个行向量和每个列向量之间的相似度；基于所述每个行向量和所述每个列向量之间的相似度，确定相似度矩阵；所述相似度矩阵的维度与所述样本矩阵的维度一致；基于元素对确定所述分解损失信息；每个元素对包括所述样本矩阵中的第一元素，以及所述相似度矩阵中的第二元素，所述第一元素在所述样本矩阵中的元素位置，与所述第二元素在所述相似度矩阵中的元素位置相同。4.根据权利要求3所述的一种店铺分类方法，其特征在于，所述基于元素对确定所述分解损失信息，包括：对每个元素对中的第一元素进行归一化处理，得到归一化后的第一元素；基于所述归一化后的第一元素，以及所述每个元素对中的第二元素，计算与所述每个元素对对应的损失信息；基于与所述每个元素对对应的损失信...

【专利技术属性】
技术研发人员：唐建扬，王化楠，王愚，
申请(专利权)人：连连杭州信息技术有限公司，
类型：发明
国别省市：